Caracterização de tráfego VoIP
Carlos Marcelo Pedroso Jefferson P. Caldeira
Departamento de Computação Departamento de Computação
PUCPR PUCPR
Curitiba, Paraná, Brasil Curitiba, Paraná, Brasil
Email: c.pedroso@pucpr.br Email: caldeira@gmail.com
Abstract— This paper presents the traffic characterization
of a VoIP system based on data collected from a brazilian
carrier with more than 10.000 active users. The resulting model
updates existing models and can be applied to capacity planning
and scientific research to workload generation for VoIP system
simulation.
I. I NTRODUÇ ÃO
A utilização de sistemas transmitindo Voz sobre IP (Voice
over IP, VoIP) tende a alterar o perfil de uso das redes de
telecomunicações. Atualmente o uso de sistemas VoIP está em
seu estado inicial - no entanto, as operadoras que oferecem
serviços baseados em VoIP têm experimentado um grande
crescimento de demanda por estes serviços.
Um dos problemas a serem enfrentados na implementação
de novas tecnologias é o correto dimensionamento do sistema.
Já é conhecido que o tráfego gerado por sistemas VoIP não
possui as mesmas caracterı́sticas apresentadas pelo sistema
de telefonia convencional. Modelos modernos [1] indicam
que o tráfego de sistemas VoIP pode ser modelado através
de um modelo ON-OFF onde os perı́odos ON e OFF são
caracterizados por distribuições de cauda pesada.
Este trabalho apresenta a caracterização de tráfego VoIP
amostrado em uma grande operadora de telecomunicações
no Brasil contando com aproximadamente 10.000 usuários
ativos. Esta caracterização do tráfego se fez a nı́vel de pacotes,
utilizando aproximadamente 90 segundos de tráfego.
O estudo apresentado analisa os dados obtidos do sistema
real, identifica os principais codecs em uso e realiza a mo-
delagem do tráfego no nı́vel de pacotes. É importante citar
que a maioria dos artigos encontrados baseia-se em análise
de dados de sistemas VoIP operando em Universidades ou em
empresas - diferentemente do nosso universo de usuários, o
que torna os resultados aqui apresentados ainda mais impor-
tantes. Não é de conhecimento dos autores nenhum trabalho
anterior caracterizando um sistema VoIP em uso no Brasil.
As caracterı́sticas aqui reveladas configuram-se como dados
importantes para análise de desempenho e pesquisas cientı́ficas
sobre sistemas VoIP.
Este artigo está estruturado como a seguir. A seção II
introduz o conceitos básicos sobre sistemas VoIP. A seção III
mostra um resumo com trabalhos anteriores sobre o tema.
A IV descreve o conjunto de dados em estudo, e a seção V
apresenta a modelagem de diversas métricas de desempenho
Keiko Fonseca
Pós Graduação em Engenharia
Elétrica e Informática Industrial UTFPR
Curitiba, Paraná, Brasil
Email: keiko@utfpr.edu.br
em estudo. Finalmente, as conclusões e trabalhos futuros são
apresentados na seção VI.
II. S ISTEMAS VOI P: CONCEITOS B ÁSICOS
Um sistema Voip é caracterizado pelo transporte da voz
através de uma infra-estrutura baseada em IP (rede IP).
Usualmente se refere à conversão da voz tradicional (sinal
analógico) em sinais digitais a serem transportados em pacotes
IP. Esta conversão conhecida como codificação da voz pode ser
realizada diretamente no próprio aparelho telefônico (telefonia
IP), no PABX ou em gateways especı́ficos antes de serem
encaminhados para roteadores IP.
Vários algoritmos têm sido padronizados para codificação
de voz com taxas de bit variando desde 5,3kb/s to 64kb/s
[2] [3]. Um codec (de Coder-Decoder) é um dispositivo ou
programa capaz de realizar a codificação e a decodificação de
voz em fluxo de dados. Seus componentes usuais são amos-
tragem da voz, conversão analógica para digital, codificação,
encapsulamento, transmissão, decodificação, armazenamento e
ajuste do atraso (play out). Exemplos de codecs são o G.711,
G.729 e G.723 [4]. Os dispositivos que operam com Voz
sobre IP devem suportar no mı́nimo o codec ITU G.711, que
é a especificação da técnica PCM (Pulse Code Modulation).
No entanto, os dispositivos podem implementar codecs mais
complexos, com possı́vel impacto no perfil de tráfego gerado.
Os codecs que apresentam melhores taxas de compressão
tendem a utilizar pacotes maiores transmitidos a intervalos de
tempo maiores se comparados ao G.711. A escolha do codec
é do cliente.
Um protocolo amplamente utilizado para troca de
sinalização de telefonia é o SIP (Session Initiation Protocol)
[5]. Ele estabelece, modifica e finaliza chamadas telefônicas
através do protocolo IP e atuando na camada de aplicação.
Criado originalmente por Henning Shulzrinne (Columbia Uni-
versity) e Mark Handlery (UCL) em 1996, é um padrão da
Internet Engineering Task Force (IETF).
O SIP foi projetado para interagir com outros protocolos da
Internet, funcionando como um mecanismo de estabelecimento
de sessão, iniciando, modificando e terminando a sessão
independente do tipo de mı́dia ou aplicação que será usada
na chamada; uma chamada pode utilizar diferentes tipos de
dados, incluindo áudio e vı́deo. O protocolo caracteriza-se por
ser simples, flexı́vel, estável, de não depender do protocolo
de transporte e de ser baseado em texto. Uma vez iniciada

a conferência, a voz será codificada/decodificada utilizando
um algoritmo (codec) e transmitida através do protocolo RTP
(Real Time Protocol[6]).
III. M ODELAGEM DE TR ÁFEGO VO IP
A voz humana pode ser modelada como uma seqüência de
perı́odos de atividade e silêncio, conhecida como padrão ON-
OFF, primeiramente descrito por [7] e ainda utilizada para
modelagem de tráfego na rede de telefonia fixa. Neste tipo de
rede, usualmente, os perı́odos ON e OFF são modelados por
distribuições de decaimento exponencial. Em redes de pacotes,
a modelagem de tráfego usualmente utiliza distribuições de
probabilidade para prever a chegada de pacotes e o tamanho
dos mesmos.
Trabalhos recentes [8] [9] relatam uma nova alternativa
para caracterização do tráfego gerado pelos codecs G.729
e G.723 não baseada no modelo ON-OFF. Outros trabalhos
realizados sobre redes de serviço diferenciado também mos-
tram que a caracterização de tráfego diverge daquela utilizada
para rede de telefonia convencional; em [10] é reportado o
comportamento de cauda pesada para os perı́odos ON/OFF e
em [11] é reportado a aderência à distribuição de Weibull,
que possui decaimento semi-exponencial. [12] considera o
uso da distribuição de Pareto e modelos multi-fractais para
reproduzir e caracterizar o tráfego VoIP. Investigações em
[13] de uma rede GPRS (General Packet Radio) utilizando
G.729 sugere que o perı́odo OFF pode ser modelado por
uma distribuição de Weibull, enquanto [14] argumenta que
a distribuição Lognormal pode pode ser utilizada para ambos
os perı́odos ON e OFF. [15] analisa o tráfego VoIP no nı́vel
de pacotes, utilizando os codecs G.723 e G729 e reporta a
distribuição de Pareto para os perı́odos ON-OFF e também
para o intervalo entre pacotes.
IV. C ONJUNTO DE DADOS UTILIZADO
O conjunto de dados em estudo refere-se ao tráfego coletado
em uma grande operadora de telecomunicações brasileira. A
operadora fornece um serviço de Voz sobre IP utilizando
o protocolo SIP. A rede analisada possuı́a aproximadamente
10.000 usuários na época da coleta do tráfego.
Em termos gerais, a rede de acesso é formada de enlaces
ADSL (Assymmetric Digital Subscriber Line). O tráfego VoIP
gerado pelos usuários é direcionado para uma rede Ethernet
não congestionada. Os usuários enviam solicitações ao Call
Server conectado à rede Ethernet. O tráfego da porta do switch
Ethernet onde está conectado o Call Server foi espelhado em
uma porta onde foi configurado o analisador de protocolos
Open Source Wireshark [16] e os dados coletados.
Os dados foram coletados em 4 de maio de 2006, durante
um perı́odo de 92.8 segundos no momento de maior tráfego.
A Tabela I mostra um sumário dos dados coletados.
V. M ODELAGEM DO TR ÁFEGO
A partir da amostra coletada, foram analisados:
• Protocolos utilizados;
TABELA I
S UM ÁRIO COLETA DE DADOS
Tempo total Quantidade de pacotes Tamanho do arquivo
92,8 segundos 2.420.654 315.073.656 bytes
• Intervalo entre pacotes dos fluxos RTP de voz;
• Tamanho do pacote dos fluxos RTP de voz;
• Codec utilizado pelos fluxos RTP.
O item V-A a seguir introduz conceitos fundamentais, que
serão utilizados na avaliação das métricas citadas acima.
A. Conceitos Fundamentais
Para entendimento dos resultados da análise dos dados
obtidos fazem se necessários os conceitos relacionados a
Processo com dependência de longa duração ou Long Range
Dependence (LRD).
Um Processo com dependência de longa duração ou Long
Range Dependence (LRD) é o fenômeno que ocorre quando
observações de um evento são significantemente correlaciona-
das com observações muito distantes no tempo. Este fenômeno
é de particular interesse na modelagem de tráfego, uma vez
que pesquisas comprovaram que o tráfego em redes modernas
de comunicação freqüentemente apresenta LRD [17].
Em um processo LRD a função de auto-correlação ρk (ou
ACF, Auto-Correlation Function decai para zero lentamente
em função do deslocamento (ou Lag) k. Seja Xt , t = 1, 2, . . .,
um processo estacionário de segunda ordem, se existe uma
constante c tal que γk ∼ c/k α , 0 < α < 1, então o processo
possui LRD.
O termo auto-similar descreve a geometria de objetos em
que uma pequena parte quando expandida se parece com o
todo [18]. Muitos objetos encontrados na natureza apresentam
caracterı́sticas auto-similares (ou fractais aproximados). Pode-
se citar como exemplo a estrutura geométrica de nuvens,
montanhas e árvores.
Um processo será auto-similar do ponto de vista estocástico
se ele mantém caracterı́sticas estocásticas sobre uma certa
faixa de escalas, de modo a satisfazer a relação dada pela
Equação 1. Processos auto-similares apresentam LRD [1].
Xmt ∼
=d mH Xt , m > 0 (1)
Hurst foi um famoso hidrólogo interessado no Egito e no
rio Nilo que mostrou em 1951 que o nı́vel do rio Nilo é uma
seqüência LRD. Por razões históricas, o parâmetro de Hurst
H = 1 − α/2 é utilizado para representar a auto-similaridade.
Um processo com memória longa apresenta auto-similaridade
assintótica de segunda ordem.
Processo com memória de curta duração ou Short Range
Dependence (SRD) indica o fenômeno onde a observação
corrente não é correlacionada com observações muito antigas.
Para um processo SRD, a função de auto-correlação decai
rapidamente para zero.
O valor H = 12 é o limite entre a LRD e a SRD. Processos
com 12 < H < 1 são LRD, enquanto processos com 0 < H <
 TABELA II

0.0020
Intervalo entre Pacotes (segundos)
P ROTOCOLOS ENCONTRADOS

Protocolo Quantidade de pacotes %

RTP 2.221.441 91,77

0.0010
SIP 39.998 1,65
Outros 159.215 6,57

TABELA III

0.0000
S UM ÁRIO DE ESTAT ÍSTICAS SOBRE O INTERVALO ENTRE PACOTES RTP
( SEGUNDOS )
0 2000 4000 6000 8000 10000
Min. 1o Q Mediana Média 3o Q. Max. Var. Amostra
0.00 8.0e-06 2.30e-05 4.187e-05 5.0e-05 6.649e-03 4.768e-09
Fig. 2. Série temporal representando os intervalos entre pacotes RTP

1 TABELA IV
2 são SRD. O efeito da LRD será maior quando H estiver
PAR ÂMETRO DE H URST PARA OS INTERVALOS ENTRE PACOTES
próximo a 1.

B. Protocolos Utilizados Tamanho da Parâmetro de Intervalo de

amostra Hurst confiança para 95%
O maior número de pacotes amostrados carregava o proto- 1.000.000 0.5766 [0.575, 0.578]
colo RTP, transportando voz codificada (91,77% dos pacotes). 100.000 0.5807 [0.576, 0.585]
Pacotes carregando sinalização SIP corresponderam a 1,65% 10.000 0.5935 [0.579, 0.609]
1.000 0.6207 [0.564, 0.678]
do total e protocolos diversos (principalmente ARP, ICMP,
VRRP e HTCP) foram identificados no restante dos pacotes.
A Tabela II sumariza o percentual de carga (quantidade de
pacotes) oferecido pelos principais protocolos encontrados. em diferentes componentes de freqüência e permite o estudo
de cada componente com uma resolução ajustada à sua escala.
C. Intervalo entre pacotes dos fluxos RTP O método apresenta vantagens sobre os métodos tradicionais
Da análise dos protocolos verificou-se que a maior parte dos de Fourier para a análise de situações onde o sinal contém
pacotes observados pertence à transmissão de voz codificada descontinuidades e picos. Wavelets foram desenvolvidas in-
utilizando protocolo RTP. Assim sendo o estudo concentrou- dependentemente nos campos da matemática, fı́sica quântica,
se em analisar os dados para modelagem do tráfego RTP . A engenharia elétrica e geologia sı́smica [20].
Tabela III mostra um sumário com estatı́sticas básicas sobre Os testes sobre os dados revelaram que a amostra apre-
os intervalos entre chegada dos pacotes RTP da amostra. senta auto-similaridade leve, com o parâmetro de Hurst de
A Figura 1 mostra a função de auto correlação para diversos aproximadamente 0,58. Os resultados para diversos nı́veis de
nı́veis de sub-amostragem. A Figura 1(a) a (d) mostra, respec- sub-amostragem são mostrados na Tabela IV.
tivamente, a função de autocorrelação para os nı́veis de sub-
D. Tamanho dos pacotes dos fluxos RTP de voz
amostragem de 1.000.0000 pontos, 100.000 pontos, 10.000
pontos e 1.000 pontos. O lento decaimento da função de auto- A análise do tamanho dos pacotes dos fluxos RTP de voz
correlação (ACF, auto-correlation function) é um indicativo mostra que o tamanho possui um comportamento praticamente
da auto-similaridade da série. O alto nı́vel de auto-correlação discreto: foram detectados pacotes de tamanho igual a 64, 74,
observado impede o uso de distribuições de probabilidade, 84, 104 e 214 bytes. O histograma apresentado na Figura 3
como Weibull ou Pareto, para a modelagem desta métrica de mostra a freqüência observada em cada um dos tamanhos
desempenho. citados. A Tabela V mostra um sumário de estatı́sticas básicas
Para que os valores da função de auto-correlação fossem sobre o tamanho dos pacotes.
considerados não correlacionados para um nı́vel de confiança A análise da função de auto-correlação do tamanho de
de 95% os valores correspondentes para uma determinada de- pacotes sucessivos (definir), apresentada na Figura 4, mostra
fasagem deveriam estar abaixo da linha pontilhada. Percebe-se um decaimento lento, indicativo da auto-similaridade da série.
que mesmo a sub-amostragem de 1.000 pontos apresenta um A Tabela VI mostra o cálculo do parâmetro de Hurst
alto grau de auto-correlação. A observação da série temporal, para diversos nı́veis de sub-amostragem dos dados em estudo
apresentada na Figura 2 indica que a série é estacionária (séries
não estacionárias apresentam lento decaimento da função de TABELA V
auto-correlação). S UM ÁRIO DE ESTAT ÍSTICAS SOBRE O TAMANHO DOS PACOTES RTP
A estimação do parâmetro de Hurst do tráfego agregado se ( BYTES )
fez através do método da transformada Wavelet utilizando-se
as ferramentas disponibilizadas por Roughan et al. em [19]. Min. 1o Q Mediana Média 3o Q. Max. Var.
Wavelets são funções matemáticas que seccionam os dados 60.0 74.0 74.0 107.6 104.0 214.0 3364.72
 (a) (b) (c) (d)

1.0

1.0
1.0

1.0
0.8

0.8

0.8
0.8

0.6

0.6
0.6
0.6
ACF

ACF

ACF

ACF
0.4

0.4
0.4
0.4

0.2

0.2
0.2
0.2

0.0

0.0
0.0
0.0

0 30 60 0 30 0 20 40 0 15 30

Lag Lag Lag Lag

Fig. 1. Função de auto correlação

TABELA VI
PAR ÂMETRO DE H URST PARA O TAMANHO DOS PACOTES
1000000

Tamanho da Parâmetro de Intervalo de

Frequência

amostra Hurst confiança para 95%

1.000.000 0.5661 [0.565, 0.568]
100.000 0.5777 [0.573, 0.582]
400000

10.000 0.5922 [0.577, 0.607]

1.000 0.5906 [0.533, 0.648]
0

100 150 200 TABELA VII

C ODECS IDENTIFICADOS
Tamanho do pacote RTP

Fig. 3. Histograma do tamanho do pacote dos fluxos RTP Codec Número de pacotes %
G.729 1.563.402 70.37%
G.711 500.423 22.52%
iLBC 148.262 6.67%
Outros 7.504 0.33%
1.0
0.8
0.6

através do método da transformada de Wavelet. O resultado

ACF

indica que a série apresenta caracterı́sticas auto-similares, com

0.4

H ' 0.56.
0.2

E. Codec utilizado pelos fluxos RTP

0.0

A Tabela VII mostra os principais codecs identificados no

0 10 20 30 40 50 60 fluxo de dados amostrado. O codec mais utilizado foi o G.729,
seguido pelo G.711.
Lag
VI. C ONCLUS ÕES E TRABALHOS FUTUROS
Fig. 4. Função de auto-correlação da série representada pelos tamanhos de
pacotes sucessivos Este trabalho realizou a caracterização de tráfego VoIP de
uma grande operadora de telecomunicações. O conjunto de
dados disponibilizado foi correspondente a aproximadamente
90 segundos de tráfego, capturado diretamente no call server
da operadora.
A principal contribuição deste artigo é a caracterização
dos fluxos RTP, de fundamental importância para o estudo
de sistemas VOIP. Os resultados mostram que os intervalos
entre pacotes dos fluxos RTP podem ser caracterizados por
um modelo auto similar. O tamanho dos pacotes observados
apresentam uma caracterı́stica bastante particular em termos
dos valores discretos de tamanho observados, possivelmente
devido aos codecs utilizados. O tamanho dos pacotes também
possuem uma estrutura auto-similar.
Observou-se também que o codec mais utilizado foi o
G.729, seguido pelo G.711. Esta caracterı́stica está relacionada
às capacidades dos aplicativos de usuários. O suporte ao
G.711 é obrigatório em dispositivos VoIP e a utilização de
outros codecs implica maior compactação do sinal de voz e
conseqüente alteração nas caracterı́sticas de tráfego geradas.
Os resultados aqui apresentados são de grande valor para o
estudo de desempenho das redes que operam sistema VoIP,
permitindo o uso de ferramentas analı́ticas e de simulação
apropriadas para realizar o dimensionamento e análises em
redes existentes ou em pesquisas cientı́ficas. Com os dados
aqui apresentados é possı́vel alimentar geradores de tráfego
sintético com o perfil encontrado de fato em redes reais.
A seqüência deste trabalho está sendo executada com a
análise de perı́odos maiores de tráfego, de modo a confirmar
a análise aqui apresentada e incluir a caracterização do com-
portamento da sessão: tempo de duração da conversação e
intervalo entre chamadas.
[11] Chen-Nee Chuah and R. H. Katz. Characterizing packet audio streams
from internet multimedia applications. In IEEE International Conference
on Communications (ICC 2002), volume 2, pages 1199–1203, Apr-May
2002.
[12] X.Liu and J.S.Baras. Aggregation of heavy-tailed on-off flows is
multifractal. In Technical Report CSHCN TR 2002-5 ISR TR2002, 2003.
[13] B.Bellalta, M.Oliver, and D.Rincn. Capacity and traffic analysis of
voip services over gprs mobile networks. In report TIC2001-0956-C04.
Technical University of Catalonia, University Pompeu Fabra, Spain.,
2001.
[14] E.Casilari, H.Montes, and F.Sandoval. Modelling of voice traffic over
ip networks. In Proc. of Communication Systems, Networks and Digital
Signal Processsing (CSNDSP), 2002.
[15] T.D.Dang, B.Sonkoly, and S.Molnr. Fractal analysis and modeling of
voip traffic. In Report to Ministry of Education IKTA-0092/2002, 2003.
[16] Angela Orebaugh, Gilbert Ramirez, Josh Burke, and Larry Pesce.
Wireshark & Ethereal Network Protocol Analyzer Toolkit (Jay Beale’s
Open Source Security). Syngress Publishing, 2006.
[17] W.E. Leland, M.S. Qaqqu, W. Willinguer, and D.V. Wilson. On the
self-similar nature of Ethernet traffic (extended version). IEEE/ACM
Transactions on Networking, 2(1):1–15, February 1994.
[18] D. Kaplan and L. Glass. Understanding non Linear Dynamics. Springer,
New York, 1st edition, 1998.
[19] Matthew Roughan, Darryl Veitch, and Patrice Abry. On-line estimation
of the parameters of long-range dependence. In Proceedings Globecom
’98, volume 6, pages 3716–3721, Sydney, 1998.
[20] Amara Graps. An introduction to Wavelets. IEEE Comput. Sci. Eng.,
2(2):50–61, 1995.

VII. AGRADECIMENTOS
Os autores agradecem a GVT pela disponibilização dos
dados utilizados no estudo realizado.

R EFER ÊNCIAS
[1] W. Willinger and K. Park. Self-similar network traffic and performance
evaluation. John Wiley & Sons, New York, 1st edition, 2000.
[2] A.Tyagi, H. De Meer, and J.K.Muppala. VoIP support on differentiated
services using expedited forwarding. In ICON 2000. IEEE International
Conference on Networks 2000, pages 574–580, February.
[3] R.V.Cox. Three new speech coders from the itu cover a range of
applications. Communications Magazine, IEEE, 35(9):40–47, September
1997.
[4] ITU-T. Recommendation G.711. pulse code modulation (PCM) of voice
frequencies, 1988.
[5] J. Rosenberg, H. Schulzrinne, G. Camarillo, A. Johnston, J. Peterson,
R. Sparks, M. Handley, and E. Schooler. Sip: Session initiation protocol,
2002.
[6] H. Schulzrinne, S. Casner, R. Frederick, and V. Jacobson. STD 64:
RTP: A transport protocol for real-time applications, July 2003. See
also RFC3550. Obsoletes RFC1889.
[7] P.Brady. A technique for investigating on/off patterns of speech. Bell
Labs Tech Journal., January 1965.
[8] A.Estepa, R.Estepa, and J.Vozmediano. Packetization and silence
influence on voip traffic profile. In Lecture Notes on Computer Science,
Multimedia Interactive Protocols and Systems MIPS 2003, 2003.
[9] A.Estepa, R.Estepa, and J.Vozmediano. A new approach for voip traffic
characterization. IEEE Communications Letters, 8(10), October 2004.
[10] W.Jiang and H.Schulzrinne. Analysis of on-off patterns in voip and
their effect on voice traffic aggregation. In Proceedings of 9th IEEE
International Conference on Computer Communication Networks, 2000.